近日，一种新的Temporal Dilated Video Transformer (TDViT)技术被发布，旨在提高稠密视频任务的分析能力，如逐帧视频对象检测。该技术采用多头自注意力机制，可进行多层次、多尺度的特征提取，同时利用空间和时间的...

空间-时间多样化网络（STDN）是一种新型模型，通过探索帧内的空间特征和时间上的关联关系来捕捉视频中的多种线索。STDN模型可以同时捕捉视频中的动作、外观、场景和对象等多种信息，从而实现更准确的视频分类。此技...

近日，一群研究者开发出一套名为TOPIC的新系统，能够通过运动和外观线索有效地在视频中跟踪多个对象。TOPIC系统不仅能够处理复杂的运动，而且还可以有效处理对象的外观变化，显著提高了多目标跟踪的准确性和效率。为...

近日，一种名为VideoLLM的系统利用语言处理模型的强大能力，将所有视频输入转换为一种可以更高效地分析的语言类型。经过在多个数据集上成功测试，VideoLLM证明它可以处理各种任务，表明语言模型的推理能力可以有效地...